Dans cette session, nous discuterons plus en détail de l'importance des tests de confusion et nous fournirons des exemples de situations dans lesquelles une variable de confusion peut expliquer l'association entre une variable explicative et une variable de réponse. En outre, maintenant que vous avez testé statistiquement l'association entre une variable explicative et votre variable réponse, vous testerez et interpréterez cette association à l'aide d'une analyse de régression linéaire de base pour une variable réponse quantitative. Vous apprendrez également comment le modèle de régression linéaire peut être utilisé pour prédire votre variable réponse observée. Enfin, nous discuterons également des hypothèses statistiques qui sous-tendent le modèle de régression linéaire et nous vous montrerons quelques bonnes pratiques pour coder vos variables explicatives. Notez que si votre question de recherche n'inclut pas de variable de réponse quantitative, vous pouvez utiliser une variable de votre ensemble de données pour vous entraîner à utiliser l'outil.

L'analyse de régression multiple est un outil qui vous permet de développer votre question de recherche et d'effectuer un test plus rigoureux de l'association entre votre variable explicative et votre variable réponse en ajoutant des variables explicatives quantitatives et/ou catégorielles supplémentaires à votre modèle de régression linéaire. Dans cette session, vous appliquerez et interpréterez une analyse de régression multiple pour une variable de réponse quantitative, et vous apprendrez à utiliser des intervalles de confiance pour prendre en compte l'erreur dans l'estimation d'un paramètre de population. Vous apprendrez également à tenir compte des associations non linéaires dans un modèle de régression linéaire. Enfin, vous acquerrez de l'expérience dans l'utilisation des techniques de diagnostic de régression afin d'évaluer dans quelle mesure votre modèle de régression multiple prédit votre variable de réponse observée. Notez que si vous n'avez pas encore identifié de variables explicatives supplémentaires, vous devriez en choisir au moins une dans votre ensemble de données. Lorsque vous reprenez vos livres de codes, posez-vous quelques questions telles que "Quelles autres variables pourraient expliquer l'association entre ma variable explicative et ma variable réponse ?"; "Quelles autres variables pourraient expliquer une plus grande partie de la variabilité de ma variable réponse ?", ou même "Quelles autres variables explicatives pourraient être intéressantes à explorer ?" Les variables explicatives supplémentaires peuvent être quantitatives, catégorielles ou les deux. Bien que vous n'ayez besoin que de deux variables explicatives pour tester un modèle de régression multiple, nous vous encourageons à identifier plus d'une variable explicative supplémentaire. Cela vous permettra d'expérimenter la puissance de l'analyse de régression multiple et augmentera votre confiance dans votre capacité à tester et à interpréter des modèles de régression plus complexes. Si votre question de recherche ne comporte pas de variable quantitative de réponse, vous pouvez utiliser la même variable quantitative de réponse que celle que vous avez utilisée dans le module 2, ou vous pouvez en choisir une autre dans votre ensemble de données.

Dans cette session, nous discuterons de certains points que vous devriez garder à l'esprit lorsque vous utiliserez l'analyse de données à l'avenir. Nous vous apprendrons également à tester une variable explicative catégorielle comportant plus de deux catégories dans une analyse de régression multiple. Enfin, nous vous présenterons l'analyse de régression logistique pour une variable de réponse binaire avec plusieurs variables explicatives. La régression logistique est simplement une autre forme du modèle de régression linéaire, de sorte que l'idée de base est la même que celle d'une analyse de régression multiple. Mais, contrairement au modèle de régression multiple, le modèle de régression logistique est conçu pour tester des variables de réponse binaires. Vous acquerrez de l'expérience en testant et en interprétant un modèle de régression logistique, notamment en utilisant des rapports de cotes et des intervalles de confiance pour déterminer l'ampleur de l'association entre vos variables explicatives et la variable réponse. Vous pouvez utiliser les mêmes variables explicatives que celles que vous avez utilisées pour tester votre modèle de régression multiple avec un résultat quantitatif, mais votre variable réponse doit être binaire (catégorique avec 2 catégories). Si vous avez une variable de réponse quantitative, vous devrez la répartir en deux catégories. Vous pouvez également choisir une autre variable de réponse binaire dans votre ensemble de données que vous pouvez utiliser pour tester un modèle de régression logistique. Si vous disposez d'une variable de réponse catégorielle comportant plus de deux catégories, vous devrez la regrouper en deux catégories